行人的再识别研究在社会治安领域和商业领域受到越来越多的重视,其中大量的行人再识别研究都是基于图像和视频的计算机视觉领域方法,通过使用不同的再识别技术在不同设备的图像视频中检索出需要的用户。随着智能便携设备的普及,人们在日常生活中产生了海量带有地理位置的移动轨迹数据,而利用历史轨迹数据对行人进行再识别却并未获得足够多的关注。本文采用呼叫详细记录数据作为移动轨迹数据,首先采用改进的聚类算法、马尔可夫模型、朴素贝叶斯模型和混合高斯模型等机器学习思想研究手机用户重识别问题。在此基础上考虑了轨迹的时空性质,建立一系列深度学习模型用于研究用户重识别问题,结果表明深度学习方法较传统的机器学习方法有明显提升。本文的研究内容主要包含以下几个方面:1、为了更好理解用户的行为模式,本文采用数据挖掘和统计分析的方法分析来源于上海市一万个用户群体的呼叫详细记录数据。通过统计用户在一定距离内的基站对共同访问次数,发现用户的基站对共同访问次数的互补累计分布函数服从指数分布。同时,通过原始数据的统计分析,发现呼叫详细记录数据的时间、空间维度分布存在时空不匹配现象。2、在分析用户的行为模式的基础上,本文采用改进的聚类算法、朴素贝叶斯模型、马尔可夫模型、混合高斯模型以及常见的轨迹相似度计算用户之间的轨迹相似度,进而匹配出同一用户的不同轨迹。实验得出各方法的用户重识别准确率,其中朴素贝叶斯模型准确率为0.735;马尔可夫模型准确率为0.830;混合高斯模型准确率为0.904;改进的聚类算法0.894;最小化期望平方0.702;轨迹分布KL散度0.765。上述方法从轨迹点访问频率的最大后验概率、轨迹点的状态转移概率、时空不匹配、轨迹点重合度等角度计算轨迹相似度。本文还研究了连续相同轨迹点对用户重识别准确率的影响,结果表明随着连续相同轨迹点长度的增加,准确率出现幅度较小的下降,这也说明了呼叫详细记录数据前后轨迹点存在时空相关性。3、本文从信息检索的角度出发,利用孪生网络结构计算轨迹之间的相似度。首先,利用自然语言处理领域的思想处理移动轨迹数据,将嵌入网络、长短期记忆网络和注意力机制网络的组合作为孪生网络的基本单元,通过对时间和空间两个维度编码,提取出重要的特征,然后将特征结合经过全连接层转换为二分类问题,其准确率达到0.907。但这种模型结构得出的结果不稳定,会随着正负样本构造的随机性产生标准方差为0.06的波动。针对上面模型的缺点,将嵌入网络、长短期记忆网络、注意力机制网络和对比损失函数作为孪生网络的基本单元,准确率达到0.923,并且波动的标准方差仅为0.03,提高模型准确率的同时,解决了模型不稳定的问题。4、城市的基站群体密集,基站之间存在空间依赖性。上述方法简单的采用嵌入网络构造基站之间的空间依赖性。基于此本文创新性的提出将图卷积网络作为孪生网络的基本单元实现用户重识别任务,这种做法可以更加精确的构建空间依赖性。因为基站数目众多,总共有39050个基站,训练难度大。所以本文设计一种基于DBSCAN算法和K-Means算法的混合算法对城市中的基站群逐步聚类,共聚为919个簇,计算每个轨迹点距离中心基站的欧式距离,取其倒数作为邻接矩阵的权重。将用户的移动轨迹是否属于该919个簇作为特征,构建特征矩阵输入到两层图卷积网络,然后将得到的轨迹特征向量送入长短期记忆网络捕获时间维度的相关性,最后将两条轨迹的向量表示进行拼接,输入到全连接层。该方法的用户重识别准确率达到了0.85。虽然该方法没有达到上述第三条中的模型的准确率,但该方法在其它时空轨迹数据集上的用户重识别更具有一般性。本文研究手机用户的再识别率所采用的方法,不仅可以应用到城市人流预测、城市规划、传染病防控和应急预警,同样可以在保证数据信息量的同时保护用户数据隐私。本研究可以更好的便利人们的生活,例如可以将不同平台的属于统一用户的身份信息数据匹配,完善商品推荐系统,实现智能化和便捷性消费。